(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211288587.1 (22)申请日 2022.10.20 (71)申请人 北京智芯微电子科技有限公司 地址 100192 北京市海淀区西小口路6 6号 中关村东升科技园A区3号楼 申请人 北京智芯 半导体科技有限公司 (72)发明人 李慧　杜君　姜帆　郭飞　孟伟　 孙鹏飞　刘立宗　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 雷玉龙 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 输电线路安全隐患监测方法、 装置、 融合终 端及介质 (57)摘要 本发明公开了一种输电线路安全隐患监测 方法、 装置、 融合终端及介质。 方法应用于融合终 端， 方法包括： 获取输电线路的当前环境图像， 将 当前环境图像输入到预先训练好的目标YOLOv5 网络模型， 其中， 目标YOLOv5网络模型的骨干网 络采用Focus结构和Mobilenetv2结构、 颈部网络 采用深度可分离卷积模块、 检测头网络采用四条 检测分支进行构建， 根据目标YOL Ov5网络模型的 输出结果确定输电线路的安全隐患信息。 本发明 实施例的输电线路安全隐患监测方法、 装置、 融 合终端及介质， 能够在融合终端自动进行输电线 路安全隐患监测， 并且具有检测速度快、 检测精 度高、 低延时等优点。 权利要求书3页 说明书12页 附图4页 CN 115546726 A 2022.12.30 CN 115546726 A 1.一种输电线路安全隐患监测方法， 其特 征在于， 应用于融合终端， 所述方法包括： 获取输电线路的当前环境图像； 将所述当前环境图像输入到预先训练好的目标YOLOv5网络模型， 其中， 所述目标 YOLOv5网络模型的骨干网络采用Focus结构和Mobilenetv2结构、 颈部网络采用深度可分离 卷积模块、 检测头网络采用四条检测分支进行构建； 根据所述目标YOLOv5网络模型的输出 结果确定所述输电线路的安全隐患信息 。 2.根据权利 要求1所述的输电线路安全隐患监测方法， 其特征在于， 所述目标YOLOv5 网 络模型根据以下步骤训练得到： 获取所述输电线路的环境图像， 并对所述环境图像中的安全隐患进行标注以获得样本 集； 基于无锚框预测边界框机制和预先设置的损失函数， 采用所述样本集对构建的YOLOv5 网络模型进行训练， 以确定所述目标YOLOv5网络模型的模型参数。 3.根据权利要求2所述的输电线路安全隐患 监测方法， 其特征在于， 对所述环境图像中 的安全隐患进行 标注以获得样本集， 包括： 对所述环境图像中的安全隐患进行 标注以获得 标准文件； 对所述环境图像和所述标准文件进行 数据增强处 理以获得 所述样本集。 4.根据权利要求2所述的输电线路安全隐患 监测方法， 其特征在于， 所述样本集包括训 练集， 所述采用所述样本集对构建的YOLOv5网络模型进行训练， 包括： 将所述训练集输入构建的YOLOv5网络模型进行训练， 以确定所述YOLOv5网络模型的训 练模型参数； 按照预先设置的测试 频率， 根据所述损失函数计算所述训练集的总损失； 在所述训练集的总损 失出现先降低后升高趋势时， 停止训练， 并将所述训练集的总损 失取得最小值时对应的训练模型参数确定为所述目标YOLOv5网络模型的模型参数。 5.根据权利要求2所述的输电线路安全隐患监测方法， 其特 征在于， 所述损失函数为： L＝Lbox+Lconf+Lcls， 其中， L为总损失， Lbox为预测边界框的定位损失， Lconf为置信度损失， Lcls为安全隐患的 分类损失。 6.根据权利要求5所述的输电线路安全隐患 监测方法， 其特征在于， 所述预测边界框的 定位损失通过以下公式计算： 其中， N为所述检测分支的数量， S2为每个所述检测分支的分辨率， B为所述分辨率下每 个网格产生的预测边界框的数量， 为指示函数， 为面积加权， h'w'为预测边界 框的面积， hw 为全图面积， LCIoU为CIoU损失函数。 7.根据权利要求5所述的输电线路安全隐患 监测方法， 其特征在于， 所述置信度损失通 过以下公式计算：权　利　要　求　书 1/3 页 2 CN 115546726 A 2其中， N为所述检测分支的数量， S2为每个所述检测分支的分辨率， B为所述分辨率下每 个网格产生的预测边界框的数量， log(|pgt‑ppred|)为交叉熵损失函数， (pgt‑ppred)2为Focal 权重， pgt为存在安全隐患的真实概 率， ppred为存在安全隐患的预测概 率。 8.根据权利要求5所述的输电线路安全隐患 监测方法， 其特征在于， 所述安全隐患的分 类损失通过以下公式计算： 其中， N为所述检测分支的数量， S2为每个所述检测分支的分辨率， B为所述分辨率下每 个网格产生的预测边界框的数量， 为指示函数， C为安全隐患的类别， 为当前安全隐 患属于c类别的真实概 率， 为当前安全隐患属于 c类别的预测概 率。 9.根据权利要求1 ‑8中任一项所述的输电线路安全隐患 监测方法， 其特征在于， 所述根 据所述目标YOLOv5网络模型的输出 结果确定所述输电线路的安全隐患信息， 包括： 采用DIoU_NMS算法去除所述目标YOLOv5 网络模型的输出结果 中的多余检测框， 获得所 述目标YOLOv5网络模型的输出 结果中的剩余检测框； 确定所述剩余检测框对应的安全隐患的类别和置信度。 10.根据权利要求9所述的输电线路安全隐患监测方法， 其特征在于， 所述安全隐患的 类别包括施工 机械、 烟火、 火焰、 风筝、 鸟窝、 塑料薄膜中的一种或多种。 11.一种计算机可读存储介质， 其特征在于， 其上存储有输电线路安全隐患监测程序， 该输电线路安全隐患监测程序被处理器执行时， 实现权利要求 1‑10中任一项 所述的输电线 路安全隐患监测方法。 12.一种融合终端， 其特征在于， 包括存储器、 处理器及存储在存储器上并可在处理器 上运行的输电线路安全隐患监测程序， 所述处理器执行所述输电线路安全隐患监测程序 时， 实现权利要求1 ‑10中任一项所述的输电线路安全隐患监测方法。 13.一种输电线路安全隐患监测装置， 其特 征在于， 应用于融合终端， 所述装置包括： 获取模块， 用于获取输电线路的当前环境图像； 确定模块， 用于将所述当前环境 图像输入到预先训练好的目标YOLOv5网络模型， 并根 据所述目标YOLOv5网络模型的输出结果确定所述输电线路 的安全隐患信息， 其中， 所述目 标YOLOv5网络模 型的骨干网络采用Focus结构和Mobilenetv2结构、 颈部网络采用深度可分 离卷积模块、 检测头网络采用四条检测分支进行构建。 14.根据权利 要求13所述的输电线路安全隐患监测装置， 其特征在于， 所述目标YOLOv5 网络模型通过 标注模块和训练模块得到， 其中， 所述标注模块用于获取所述输电线路的环境图像， 并对所述环境图像中的安全隐患进 行标注以获得样本集； 所述训练模块用于基于无锚框预测边界框机制和预先设置的损失函数， 采用所述样本 集对构建的YOLOv5网络模型进行训练， 以确定所述目标YOLOv5网络模型的模型参数。 15.根据权利要求14所述的输电线路安全隐患 监测装置， 其特征在于， 所述样本集包括权　利　要　求　书 2/3 页 3 CN 115546726 A 3